[发明专利]基于自监督学习的非侵入式负荷分解方法

说明书

本发明公开了一种基于自监督学习的非侵入式负荷分解方法，包括：1)将目标数据集中选定的无标签总功率信号分割成多个长度为W的序列；2)完成自监督前置任务得到预训练后的序列到点神经网络；3)将源数据集中选定的有标签总功率信号分割成多个长度为W的序列；4)完成有监督下游任务得到负荷分解模型，5)将目标数据集中待分解的总功率信号分割成多个长度为W的序列，6)将步骤5)中的序列输入到步骤4)中的负荷分解模型中，该神经网络的输出是预测的单个电器在一个时刻的功率值，进而得到预测的单个电器功率信号。本发明可以从目标数据集中的无标签数据中学习有用的特征，实现了针对目标数据集的无监督NILM，具有较大的应用意义。

技术领域

本发明属于非侵入式电力负荷监测领域，尤其涉及一种基于自监督学习的非侵入式负荷分解方法。

背景技术

近年来，全球能源与环境问题日渐突出，亟需提高能源利用率以降低碳排放。同时，随着智能电表在全球范围内的广泛安装，使得电力公司可以与用户良性互动，以提高需求侧管理效率和优化电网运行。因此，电能消耗细节监测作为一种节能使能应用，受到世界各国的广泛关注。

目前，负荷监测技术主要分为侵入式和非侵入式两种方式，其中，侵入式的负荷监测需要额外安装传感器来测量单个电器用电情况。而由Hart[1]在1984年提出的非侵入式负荷监测(non-intrusive load monitoring,NILM)的概念，是仅通过软件工具分析用户总用电数据来监测户内每个或每类电器的用电功率和工作状态。NILM技术以一种经济、高效的方式向需求侧和供给侧反馈电器级别的功率消耗，有利于电网管理、用户节省电费，同时推动需求侧管理、节能减排。目前，已有多种算法被应用于解决NILM问题中，如组合优化算法、因子隐马尔可夫算法、图信号处理算法或K近邻算法等。得益于近年来大数据技术、人工智能和边缘计算的发展，学者们提出了大量基于数学方法、信号处理和机器学习的NILM方法[2]。

近年来，多种深度学习算法也被应用在NILM领域，展现出比传统方法更好的性能。深度学习方法将负荷分解视为序列到序列(sequence-to-sequence,seq2seq)或序列到点(sequence-to-point,seq2point)的学习问题。seq2seq学习是指神经网络根据输入的总功率序列预测对应时间戳的单个电器功率序列。而seq2point学习是指神经网络根据输入的总功率序列预测单个电器相应窗口的一个点。序列到点学习使网络的预测问题简单化，将神经网络的表征能力集中在一个点[3]。

基于深度学习的NILM方法需要大量的有标签数据来训练神经网络[4]。有标签数据是指具有单个电器开关标志或测量数据的总用电数据。在实际中，采集几个月甚至几年的有标签训练数据是困难且昂贵的。因此，研究人员提出了跨越目标数据集与源数据集的迁移学习，来解决标签数据不足的问题[5]。虽然迁移学习减少了对目标数据集有标签训练数据的要求，但仍然是有监督的且不适用于目标数据集标签不可获取的情况。与采集有标签总功率数据相比，采集无标签的总功率数据相对容易。

在计算机视觉任务中，自监督学习(self-supervised learning,SSL)被用于从大量无标签的图像及视频中提取特征，以避免耗时和昂贵的人工标注。在SSL中，通过预先设定的前置任务，从无标签数据中学习特征，再将特征迁移到下游的有监督任务当中，以提高模型的性能和避免过拟合。研究表明，SSL提取到的特征具有通用性，同时有助于提升模型的鲁棒性。目前，尚没有研究将SSL应用到非侵入式负荷分解任务当中。

因此，为了摆脱对目标数据集标签的依赖，实现针对目标数据集的无监督负荷分解，考虑将自监督学习应用在序列到点神经网络中以实现非侵入式负荷分解。

[参考文献]

[1]G.W.Hart,“Nonintrusive Appliance Load Data Acquisition Method:Progress report,”MIT Energy Laboratory,1984.